Page 120 - 《软件学报》2024年第4期
P. 120
1698 软件学报 2024 年第 35 卷第 4 期
试的方式.
此外, 大部分研究工作明确说明了训练集、验证集和测试集的划分比例以及交叉验证的具体参数. 但是
目前, 针对这部分的实验设置并没有统一的标准, 未来研究可在实验设置的具体参数上进行更详细的划分和
验证, 以使基于 NAS 的脑数据分析研究的对比和评估具有更加明确和统一的标准.
5 总 结
脑数据分析作为脑疾病的诊断、脑认知的理解与提升、类脑人工智能等研究领域的重要组成部分, 具有
重要的研究意义. 近年来, 基于 NAS 对脑数据进行分析得到了越来越多的关注. 本文从 NAS 搜索空间、搜索
策略、实验设置、实验结果、数据库等方面, 对 NAS 在脑数据分析领域的应用进行了总结. 尤其详细介绍了
可支撑 NAS 框架训练的各模态数据集, 为后续相关研究的开展提供依据.
图 6 以时间线的形式, 对自 2019 年以来的 NAS 在脑数据分析领域研究中使用的各搜索策略脉络进行了
整理. 从研究数量上看, 越来越多的基于梯度搜索的 NAS 研究被应用于脑数据的分析中, 说明脑科学与机器
学习领域的关系紧密, 基于 NAS 的脑数据分析工作得到越来越多的关注, 且与前沿研究密切相关. 此外, 图 7
以饼状图的形式总结了 NAS 在脑数据分析领域研究中的搜索空间和搜索策略的组合方式分布. 其中,
• 在宏观搜索空间中, 基于 EA 的 NAS 是最为常见的搜索策略. 这主要是因为 EA 算法搜索策略简单,
搜索过程易于理解;
• 在微观搜索空间及微观+宏观搜索空间中, 基于梯度搜索的 NAS 是最常见的搜索策略. 这主要是因为
基于微观搜索空间的研究, 通常将搜索空间以图的形式整体进行搜索, 基于梯度的搜索算法可将离
散的结构搜索方式建模为一种连续松弛的搜索方式, 从而计算一系列操作的凸组合, 具有更高的灵
活性.
图 6 NAS 各搜索策略在脑数据分析领域的时间线
图 7 NAS 各搜索策略与搜索空间组合在脑数据分析领域的分布
